다중 라이다 차량 캘리브레이션을 위한 CaLiV: 비중첩 시야와 외부 장치 없이

초록

CaLiV는 목표물 기반 방법으로, 겹치지 않는 라이다 시야와 외부 센서를 사용하지 않고도 라이다‑라이다(S2S)와 라이다‑차량(S2V) 외부 캘리브레이션을 동시에 수행한다. 차량의 움직임을 이용해 일시적인 시야 겹침을 만들고, Unscented Kalman Filter로 차량 자세를 추정한 뒤 GMMCalib을 통해 공통 캘리브레이션 프레임에 정렬한다. 최종적으로 비선형 최소화 문제를 풀어 정확한 변환 행렬을 얻는다.

상세 분석

본 논문은 라이다 센서의 외부 캘리브레이션 문제를 두 가지 차원에서 접근한다. 첫 번째는 전통적인 Sensor‑to‑Sensor(S2S) 캘리브레이션이며, 두 번째는 차량 기준 프레임에 대한 Sensor‑to‑Vehicle(S2V) 캘리브레이션이다. 기존 방법들은 대부분 시야가 겹치는 경우에만 적용 가능하거나, 외부 레이저 스캐너·모션 캡처 시스템 등 추가 장치를 필요로 했다. CaLiV는 이러한 제약을 완전히 제거한다는 점에서 혁신적이다.

핵심 아이디어는 ‘움직임을 통한 시야 겹침’이다. 차량이 곡선 경로를 따라 주행하면 비록 라이다 간에 직접적인 시야 겹침이 없더라도, 각각의 라이다가 시간에 따라 동일한 캘리브레이션 타깃을 관측하게 된다. 이때 차량 자세를 정확히 알기 위해 저자들은 IMU, GPS, 속도·방위 정보를 융합한 Unscented Kalman Filter(UKF)를 사용한다. UKF는 비선형 시스템에 강인하며, 센서별 노이즈 모델링을 통해 자세 추정의 불확실성을 정량화한다.

다음 단계는 GMMCalib이라는 Gaussian Mixture Model 기반 포인트 클라우드 정합 프레임워크를 활용하는 것이다. 기존 ICP와 달리 GMMCalib은 ‘잠재 캘리브레이션 프레임(C)’에 모든 포인트 클라우드를 정합한다. 이를 위해 초기 라이다 변환(V̂L)과 차량 자세(RV)로 사전 정렬(pre‑alignment)을 수행하고, RANSAC으로 지면을 제거한 뒤 타깃 포인트만 남긴다. 이렇게 얻어진 CLiT(각 시점·센서의 C‑프레임 변환)들을 이용해, 식 (3)에서 정의한 CR_T를 근사한다.

핵심 최적화는 식 (4)의 비선형 최소화 문제이다. 여기서는 “센서가 타깃을 관측한 시점 쌍”만을 집합 S에 포함시켜, 관측 가능한 변환들 사이의 일관성을 최소화한다. 최적화 변수는 기준 라이다(L2)의 S2S 변환(L2L1)과 전체 차량 기준 변환(VL2)이며, 두 단계 반복을 통해 S2V 정확도를 추가로 향상시킨다. 저자들은 Levenberg‑Marquardt 같은 가우시안-뉴턴 기반 최적화기를 사용했으며, 초기값이 크게 틀어져도 수렴한다는 실험 결과를 제시한다.

실험은 시뮬레이션과 실제 차량에서 수행되었다. 시뮬레이션에서는 서로 반대 방향을 바라보는 두 라이다를 배치해 최악의 비중첩 상황을 만들었고, 평균 회전 오차는 0.08°, 평균 위치 오차는 2 cm 이하로 기존 SLAM‑기반 혹은 핸드‑아이 캘리브레이션 대비 현저히 개선되었다. 실제 실험에서도 동일한 수준의 정확도를 달성했으며, 코드가 공개돼 재현성이 확보된다.

한계점으로는 충분한 차량 궤적이 필요하다는 점과, 타깃이 충분히 큰 경우에만 정밀한 정합이 가능하다는 점을 들 수 있다. 또한, 현재는 라이다‑라이다 조합에 초점을 맞추었으며, 카메라·라이다 복합 시스템에 대한 확장은 추가 연구가 필요하다.

전반적으로 CaLiV는 “목표 기반 + 움직임 활용”이라는 두 축을 결합해, 비중첩 라이다 배열에서도 고정밀 S2S·S2V 캘리브레이션을 구현한 최초의 프레임워크이며, 외부 장치 의존성을 없앤 점이 실용적 가치를 크게 높인다.